TWI763520B - 訓練老年性黃斑部退化的分類模型的電子裝置和方法 - Google Patents

訓練老年性黃斑部退化的分類模型的電子裝置和方法 Download PDF

Info

Publication number
TWI763520B
TWI763520B TW110120195A TW110120195A TWI763520B TW I763520 B TWI763520 B TW I763520B TW 110120195 A TW110120195 A TW 110120195A TW 110120195 A TW110120195 A TW 110120195A TW I763520 B TWI763520 B TW I763520B
Authority
TW
Taiwan
Prior art keywords
loss function
vector
stage
macular degeneration
function value
Prior art date
Application number
TW110120195A
Other languages
English (en)
Other versions
TW202247827A (zh
Inventor
鄭孟哲
鄞銘佐
謝易庭
Original Assignee
宏碁股份有限公司
國立臺灣大學醫學院附設醫院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 宏碁股份有限公司, 國立臺灣大學醫學院附設醫院 filed Critical 宏碁股份有限公司
Priority to TW110120195A priority Critical patent/TWI763520B/zh
Priority to CN202111004104.6A priority patent/CN115440368B/zh
Priority to US17/464,688 priority patent/US12254984B2/en
Priority to EP21195516.6A priority patent/EP4099340A1/en
Priority to JP2021152457A priority patent/JP7247292B2/ja
Priority to PH1/2021/050624A priority patent/PH12021050624A1/en
Application granted granted Critical
Publication of TWI763520B publication Critical patent/TWI763520B/zh
Publication of TW202247827A publication Critical patent/TW202247827A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Eye Examination Apparatus (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Filters That Use Time-Delay Elements (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

提供一種訓練老年性黃斑部退化的分類模型的電子裝置和方法。方法包含：取得訓練資料；基於機器學習演算法計算對應於訓練資料的損失函數向量，其中損失函數向量包含對應於老年性黃斑部退化的第一期的第一損失函數值以及對應於老年性黃斑部退化的第二期的第二損失函數值；根據第一期與第二期之間的分期差異產生第一懲罰權重；根據第二損失函數值以及第一懲罰權重更新第一損失函數值以產生更新損失函數向量；以及根據更新損失函數向量訓練分類模型。

Description

訓練老年性黃斑部退化的分類模型的電子裝置和方法
本發明是有關於一種訓練老年性黃斑部退化的分類模型的電子裝置和方法。
依據臨床病徵的嚴重程度，老年性黃斑部退化（age-related macular degeneration，AMD）分類為第一期（或第I期）、第二期（或第II期）、第三期（或第III期）以及第四期（或第IV期）。目前，有人員利用人工智慧（artificial intelligence，AI）模型分析眼底圖（fundus image）以為老年性黃斑部退化的嚴重程度進行分類。人員可利用由醫療人員標註的訓練資料來訓練人工智慧模型。一般來說，醫療人員會根據眼底圖中的黃斑部範圍來為老年性黃斑部退化進行分類。然而，不同醫療人員對黃斑部範圍的認定可能不同。因此，由不同醫療人員所標註的訓練資料所訓練的人工智慧模型可能存在過度擬合（overfitting）的問題，從而降低了人工智慧模型的分類準確度。
本發明提供一種訓練老年性黃斑部退化的分類模型的電子裝置和方法，可訓練出具有高準確度的老年性黃斑部退化的分類模型。
本發明的一種訓練老年性黃斑部退化的分類模型的電子裝置，包含處理器以及收發器。處理器耦接收發器，其中處理器經配置以執行：通過收發器取得訓練資料；基於機器學習演算法計算對應於訓練資料的損失函數向量，其中損失函數向量包含對應於老年性黃斑部退化的第一期的第一損失函數值以及對應於老年性黃斑部退化的第二期的第二損失函數值；根據第一期與第二期之間的分期差異產生第一懲罰權重；根據第二損失函數值以及第一懲罰權重更新第一損失函數值以產生更新損失函數向量；以及根據更新損失函數向量訓練分類模型。
在本發明的一實施例中，上述的損失函數向量更包含對應於老年性黃斑部退化的第三期的第三損失函數值，其中處理器更經配置以執行：根據第一期與第三期之間的第二分期差異產生第二懲罰權重；以及根據第三損失函數值以及第二懲罰權重更新第一損失函數值以產生更新損失函數向量。
在本發明的一實施例中，上述的第二分期差異大於分期差異，並且第二懲罰權重大於第一懲罰權重。
在本發明的一實施例中，上述的第一懲罰權重與分期差異成正比。
在本發明的一實施例中，上述的訓練資料包含標註了老年性黃斑部退化分期的眼底圖。
在本發明的一實施例中，上述的損失函數向量對應於二進位交叉熵函數。
在本發明的一實施例中，上述的處理器基於機器學習演算法計算對應於訓練資料的歸一化機率向量，根據眼底圖的標註產生對應於老年性黃斑部退化分期的一位有效編碼向量，並且將歸一化機率向量以及一位有效編碼向量輸入至二進位交叉熵函數以產生損失函數向量。
在本發明的一實施例中，上述的更新損失函數向量中的更新損失函數值包含第二損失函數值以及第一懲罰權重的第一商數。
在本發明的一實施例中，上述的更新損失函數值更包含第三損失函數以及第二懲罰權重的第二商數。
本發明的一種訓練老年性黃斑部退化的分類模型的方法，包含：取得訓練資料；基於機器學習演算法計算對應於訓練資料的損失函數向量，其中損失函數向量包含對應於老年性黃斑部退化的第一期的第一損失函數值以及對應於老年性黃斑部退化的第二期的第二損失函數值；根據第一期與第二期之間的分期差異產生第一懲罰權重；根據第二損失函數值以及第一懲罰權重更新第一損失函數值以產生更新損失函數向量；以及根據更新損失函數向量訓練分類模型。
基於上述，本發明的電子裝置可利用懲罰權重更新機器學習演算法的損失函數值，並利用更新損失函數值訓練分類模型。本發明可避免分類模型過度擬合並可提升分類模型的準確度。
為了使本發明之內容可以被更容易明瞭，以下特舉實施例作為本發明確實能夠據以實施的範例。另外，凡可能之處，在圖式及實施方式中使用相同標號的元件/構件/步驟，係代表相同或類似部件。
用於分類老年性黃斑部退化的分類模型可基於醫療人員所標註的訓練資料（例如：標註了老年性黃斑部退化分期的眼底圖）而產生。然而，醫療人員所決定的訓練資料的標註不一定是正確的。例如，醫療人員有可能將老年性黃斑部退化的第一期分類為老年性黃斑部退化的第二期。如果分類模型過於專注於為這些容易被混淆的資料進行分類，則分類模型可能因過度擬合而喪失泛化能力（generalization ability）。據此，本發明提出了一種訓練老年性黃斑部退化的分類模型的方法，可避免訓練出過度擬合的分類模型。
圖1根據本發明的一實施例繪示一種用於訓練老年性黃斑部退化的分類模型的電子裝置100的示意圖。電子裝置100可包含處理器110、儲存媒體120以及收發器130。分類模型可用以將輸入資料分類為老年性黃斑部退化的第一期、第二期、第三期或第四期。
處理器110例如是中央處理單元（central processing unit，CPU），或是其他可程式化之一般用途或特殊用途的微控制單元（micro control unit，MCU）、微處理器（microprocessor）、數位信號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuit，ASIC）、圖形處理器（graphics processing unit，GPU）、影像訊號處理器（image signal processor，ISP）、影像處理單元（image processing unit，IPU）、算數邏輯單元（arithmetic logic unit，ALU）、複雜可程式邏輯裝置（complex programmable logic device，CPLD）、現場可程式化邏輯閘陣列（field programmable gate array，FPGA）或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130，並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式，藉以執行電子裝置100的功能。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟（hard disk drive，HDD）、固態硬碟（solid state drive，SSD）或類似元件或上述元件的組合，而用於儲存可由處理器110執行的多個模組或各種應用程式。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
處理器110可通過收發器130取得用於訓練分類模型的訓練資料集合，其中訓練資料集合可包含多筆訓練資料。訓練資料例如是標註了老年性黃斑部退化分期的眼底圖。
圖2根據本發明的一實施例繪示更新損失函數向量23的示意圖。分類模型例如是一種機器學習模型。處理器110可基於機器學習演算法計算對應於訓練資料的損失函數向量23。由於老年性黃斑部退化包含第一期、第二期、第三期以及第四期，故損失函數向量23可包含分別對應於第一期、第二期、第三期以及第四期的四個損失函數值。然而，本發明不限於此。例如，損失函數向量23可包含任意數量的損失函數值。在本實施例中，損失函數向量23可表示為[e(1) e(2) e(3) e(4)]，其中e(1)為對應於第一期的損失函數值，e(2)為對應於第二期的損失函數值，e(3)為對應於第三期的損失函數值，並且e(4)為對應於第四期的損失函數值。
機器學習演算法的損失函數例如是二進位交叉熵（binary cross entropy）函數20。處理器110可根據二進位交叉熵函數20產生損失函數向量23。具體來說，在訓練分類模型的過程中，機器學習演算法的Softmax函數可輸出歸一化機率向量21，其中歸一化機率向量21可包含分別對應於第一期、第二期、第三期以及第四期的四個歸一機率。然而，本發明不限於此。例如，歸一化機率向量21可包含任意數量的歸一機率。在本實施例中，歸一化機率向量21可表示為[p(1) p(2) p(3) p(4)]，其中p(1)為第一期的歸一機率，p(2)為第二期的歸一機率，p(3)為第三期的歸一機率，並且p(4)為第四期的歸一機率。歸一機率屬於0到1的閉區間（closed interval），如方程式（1）所示，其中p(j)為老年性黃斑部退化的第j期的歸一機率。
Figure 02_image001
…(1)
另一方面，處理器110可根據訓練資料（即：標註了老年性黃斑部退化分期的眼底圖）的標註產生對應於老年性黃斑部退化分期的一位有效編碼（one-hot encoding）向量22。一位有效編碼向量22可包含分別對應於第一期、第二期、第三期以及第四期的四個編碼值。然而，本發明不限於此。例如，一位有效編碼向量22可包含任意數量的編碼值。在本實施例中，一位有效編碼向量22可表示為[c(1) c(2) c(3) c(4)]，其中c(1)為第一期的編碼值，c(2)為第二期的編碼值，c(3)為第三期的編碼值，並且c(4)為第四期的編碼值。編碼值可為「0」或「1」。一位有效編碼向量22可包含一個編碼值「1」以及三個編碼值「0」，其中編碼值「1」對應於標註在訓練資料的老年性黃斑部退化分期，並且編碼值「0」對應於未被標註在訓練資料的老年性黃斑部退化分期。舉例來說，若訓練資料被標註為第三期，則一位有效編碼向量22可表示為[0 0 1 0]。
在取得歸一化機率向量21以及一位有效編碼向量22後，處理器110可將歸一化機率向量21以及一位有效編碼向量22輸入至二進位交叉熵函數20以產生損失函數向量23。
一般來說，分期差異（stage difference）的絕對值較小的兩期較難以區別。分期差異的絕對值較大的兩期較容易區別。舉例來說，將眼底圖分類為第一期以及第二期的其中之一的難度大於將眼底圖分類為第一期以及第三期的其中之一的難度。換句話說，第一期被誤判為第二期的機率較高，而第一期被誤判為第三期的機率較低。分類模型過度專注於區分分期差異較小的分期可能導致過度擬合發生。為了避免分類模型的過度擬合，處理器110可利用懲罰權重來更新分類模型的損失函數值，並且根據更新損失函數值訓練分類模型。
具體來說，處理器110可將損失函數向量23與權重矩陣24相乘以產生更新損失函數向量25，並且根據更新損失函數向量25訓練分類模型。更新損失函數向量25的尺寸可與損失函數向量23的尺寸相同。假設損失函數向量23表示為[e(1) e(2) e(3) e(4)]，則處理器110可根據方程式（2）計算更新損失函數向量25，其中M為權重矩陣24，並且[e(1)’ e(2)’ e(3)’ e(4)’]為更新損失函數向量25。更新損失函數向量25可包含第一期的更新損失函數e(1)’，第二期的更新損失函數e(2)’，第三期的更新損失函數e(3)’以及第四期的更新損失函數e(4)’。
Figure 02_image003
…(2)
更新損失函數向量25中的更新損失函數值可以方程式（3）表示，其中e(i)’代表第i期的更新損失函數值（或更新損失函數向量25的第i行的元素），e(j)代表第j期的損失函數值（或損失函數向量23的第j行的元素），a(i,j)代表對應於第i期和第j期的誤差權重，並且b(i,j)代表對應於第i期和第j期的懲罰權重。i或j屬於1到4的閉區間（即：
Figure 02_image005
且
Figure 02_image007
）。不同分期的誤差權重可以相同或相異。
Figure 02_image009
…(3)
如方程式（3）所示，處理器110可根據損失函數值e(2)、損失函數值e(3)或損失函數值e(4)來產生更新損失函數值e(1)’。舉例來說，更新損失函數值e(1)’可包含損失函數值e(2)與懲罰權重b(1,2)的商數
Figure 02_image011
、損失函數值e(3)與懲罰權重b(1,3)的商數
Figure 02_image013
以及損失函數值e(4)與懲罰權重b(1,4)的商數
Figure 02_image015
。
處理器110可根據第i期和第j期之間的分期差異（即：i-j）計算對應於第i期和第j期的懲罰權重b(i,j)。在一實施例中，懲罰權重b(i,j)可與第i期和第j期之間的分期差異（即：i-j）的絕對值成正比，如方程式（4）所示。舉例來說，由於第一期與第三期之間的分期差異
Figure 02_image017
大於第一期與第二期之間的分期差異
Figure 02_image019
，故對應於第一期與第三期的懲罰權重b(1,3)大於對應於第一期與第二期的懲罰權重b(1,2)。
Figure 02_image021
…(4)
假設每個誤差權重a(i,j)均等於1，並且懲罰權重b(i,j)等於第i期和第j期之間的分期差異乘以0.1（如方程式（5）所示）。據此，則方程式（2）中的權重矩陣24可以方程式（6）表示。處理器110可將損失函數向量23與權重矩陣24相乘以產生更新損失函數向量25。在取得更新損失函數向量25後，處理器110可根據更新損失函數向量25訓練老年性黃斑部退化的分類模型。
Figure 02_image023
…(5)
Figure 02_image025
…(6)
圖3根據本發明的一實施例繪示一種用於訓練老年性黃斑部退化的分類模型的方法的流程圖，其中所述方法可由如圖1所示的電子裝置100實施。在步驟S301中，取得訓練資料。在步驟S302中，基於機器學習演算法計算對應於訓練資料的損失函數向量，其中損失函數向量包含對應於老年性黃斑部退化的第一期的第一損失函數值以及對應於老年性黃斑部退化的第二期的第二損失函數值。在步驟S303中，根據第一期與第二期之間的分期差異產生第一懲罰權重。在步驟S304中，根據第二損失函數值以及第一懲罰權重更新第一損失函數值以產生更新損失函數向量。在步驟S305中，根據更新損失函數向量訓練分類模型。
綜上所述，本發明的電子裝置可利用懲罰權重更新機器學習演算法的損失函數值。電子裝置可利用其他分類的損失函數值來更新特定分類的損失函數值。若所述其他分類與所述特定分類是容易被混淆的分類，則電子裝置給予所述其他分類較低的懲罰權重。若所述其他分類與所述特定分類是不容易被混淆的分類，則電子裝置給予所述其他分類較高的懲罰權重。如此，由更新損失函數值所訓練出的分類模型將不會因過度專注於區分容易被混淆的分類而導致過度擬合。據此，本發明的電子裝置可提升分類模型的準確度。
100:電子裝置 110:處理器 120:儲存媒體 130:收發器 20:二進位交叉熵函數 21:歸一化機率向量 22:一位有效編碼向量 23:損失函數向量 24:權重矩陣 25:更新損失函數向量 S301、S302、S303、S304、S305:步驟
圖1根據本發明的一實施例繪示一種用於訓練老年性黃斑部退化的分類模型的電子裝置的示意圖。 圖2根據本發明的一實施例繪示更新損失函數向量的示意圖。 圖3根據本發明的一實施例繪示一種用於訓練老年性黃斑部退化的分類模型的方法的流程圖。
S301、S302、S303、S304、S305:步驟

Claims (10)

  1. 一種訓練老年性黃斑部退化的分類模型的電子裝置，包括： 收發器；以及 處理器，耦接所述收發器，其中所述處理器經配置以執行： 通過所述收發器取得訓練資料； 基於機器學習演算法計算對應於所述訓練資料的損失函數向量，其中所述損失函數向量包括對應於所述老年性黃斑部退化的第一期的第一損失函數值以及對應於所述老年性黃斑部退化的第二期的第二損失函數值； 根據所述第一期與所述第二期之間的分期差異產生第一懲罰權重； 根據所述第二損失函數值以及所述第一懲罰權重更新所述第一損失函數值以產生更新損失函數向量；以及 根據所述更新損失函數向量訓練所述分類模型。
  2. 如請求項1所述的電子裝置，其中所述損失函數向量更包括對應於所述老年性黃斑部退化的第三期的第三損失函數值，其中所述處理器更經配置以執行： 根據所述第一期與所述第三期之間的第二分期差異產生第二懲罰權重；以及 根據所述第三損失函數值以及所述第二懲罰權重更新所述第一損失函數值以產生所述更新損失函數向量。
  3. 如請求項2所述的電子裝置，其中所述第二分期差異大於所述分期差異，並且所述第二懲罰權重大於所述第一懲罰權重。
  4. 如請求項1所述的電子裝置，其中所述第一懲罰權重與所述分期差異成正比。
  5. 如請求項1所述的電子裝置，其中所述訓練資料包括標註了老年性黃斑部退化分期的眼底圖。
  6. 如請求項5所述的電子裝置，其中所述損失函數向量對應於二進位交叉熵函數。
  7. 如請求項6所述的電子裝置，其中所述處理器基於所述機器學習演算法計算對應於所述訓練資料的歸一化機率向量，根據所述眼底圖的標註產生對應於所述老年性黃斑部退化分期的一位有效編碼向量，並且將所述歸一化機率向量以及所述一位有效編碼向量輸入至所述二進位交叉熵函數以產生所述損失函數向量。
  8. 如請求項2所述的電子裝置，其中所述更新損失函數向量中的更新損失函數值包括所述第二損失函數值以及所述第一懲罰權重的第一商數。
  9. 如請求項8所述的電子裝置，其中所述更新損失函數值更包括所述第三損失函數以及所述第二懲罰權重的第二商數。
  10. 一種訓練老年性黃斑部退化的分類模型的方法，包括： 取得訓練資料； 基於機器學習演算法計算對應於所述訓練資料的損失函數向量，其中所述損失函數向量包括對應於所述老年性黃斑部退化的第一期的第一損失函數值以及對應於所述老年性黃斑部退化的第二期的第二損失函數值； 根據所述第一期與所述第二期之間的分期差異產生第一懲罰權重； 根據所述第二損失函數值以及所述第一懲罰權重更新所述第一損失函數值以產生更新損失函數向量；以及 根據所述更新損失函數向量訓練所述分類模型。
TW110120195A 2021-06-03 2021-06-03 訓練老年性黃斑部退化的分類模型的電子裝置和方法 TWI763520B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
TW110120195A TWI763520B (zh) 2021-06-03 2021-06-03 訓練老年性黃斑部退化的分類模型的電子裝置和方法
CN202111004104.6A CN115440368B (zh) 2021-06-03 2021-08-30 训练老年性黄斑部退化的分类模型的电子装置和方法
US17/464,688 US12254984B2 (en) 2021-06-03 2021-09-02 Electronic device and method of training classification model for age-related macular degeneration
EP21195516.6A EP4099340A1 (en) 2021-06-03 2021-09-08 Electronic device and method of training classification model for age-related macular degeneration
JP2021152457A JP7247292B2 (ja) 2021-06-03 2021-09-17 加齢による黄斑変性症用の分類モデルを学習させる電子機器及び方法
PH1/2021/050624A PH12021050624A1 (en) 2021-06-03 2021-12-10 Electronic device and method of training classification model for age-related macular degeneration

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110120195A TWI763520B (zh) 2021-06-03 2021-06-03 訓練老年性黃斑部退化的分類模型的電子裝置和方法

Publications (2)

Publication Number Publication Date
TWI763520B true TWI763520B (zh) 2022-05-01
TW202247827A TW202247827A (zh) 2022-12-16

Family

ID=77666365

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110120195A TWI763520B (zh) 2021-06-03 2021-06-03 訓練老年性黃斑部退化的分類模型的電子裝置和方法

Country Status (6)

Country Link
US (1) US12254984B2 (zh)
EP (1) EP4099340A1 (zh)
JP (1) JP7247292B2 (zh)
CN (1) CN115440368B (zh)
PH (1) PH12021050624A1 (zh)
TW (1) TWI763520B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI768951B (zh) * 2021-06-03 2022-06-21 宏碁股份有限公司 訓練老年性黃斑部退化的分類模型的電子裝置和方法
CN115831375A (zh) * 2022-12-14 2023-03-21 南通大学 一种抗乳腺癌候选药物的效果预测模型构造方法
CN116663650B (zh) * 2023-06-06 2023-12-19 北京百度网讯科技有限公司 深度学习模型的训练方法、目标对象检测方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699268A (zh) * 2020-12-31 2021-04-23 腾讯音乐娱乐科技（深圳）有限公司 训练评分模型的方法、设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10049302B1 (en) * 2017-07-17 2018-08-14 Sas Institute Inc. Classification system training
CN110149705A (zh) 2018-02-12 2019-08-20 维沃移动通信有限公司 上行传输方法和设备
SG11202108411SA (en) * 2019-02-12 2021-08-30 Nat Univ Singapore Retina vessel measurement
TWI702536B (zh) 2019-12-31 2020-08-21 財團法人工業技術研究院 基於適應標註的物件偵測模型的訓練方法及系統
CN111325726B (zh) 2020-02-19 2025-12-02 腾讯医疗健康(深圳)有限公司 模型训练方法、图像处理方法、装置、设备及存储介质
WO2021248253A1 (en) * 2020-06-12 2021-12-16 Campbell Melanie Cw Methods and apparatus for imaging, analysing images and classifying presumed protein deposits in the retina
CN112446875B (zh) 2020-12-11 2024-11-08 中科泰明(南京)科技有限公司 基于黄斑注意力机制和不确定度的amd分级系统
CN112651461A (zh) * 2020-12-31 2021-04-13 深圳云天励飞技术股份有限公司 分类模型的训练方法、装置、电子设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699268A (zh) * 2020-12-31 2021-04-23 腾讯音乐娱乐科技（深圳）有限公司 训练评分模型的方法、设备及存储介质

Also Published As

Publication number Publication date
JP2022186568A (ja) 2022-12-15
EP4099340A1 (en) 2022-12-07
CN115440368B (zh) 2025-09-23
US20220392636A1 (en) 2022-12-08
CN115440368A (zh) 2022-12-06
US12254984B2 (en) 2025-03-18
JP7247292B2 (ja) 2023-03-28
PH12021050624A1 (en) 2023-01-09
TW202247827A (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
US11687786B2 (en) Pre-processing for data-driven model creation
CN111860588B (zh) 一种用于图神经网络的训练方法以及相关设备
Shorfuzzaman et al. Artificial Neural Network‐Based Deep Learning Model for COVID‐19 Patient Detection Using X‐Ray Chest Images
TWI763520B (zh) 訓練老年性黃斑部退化的分類模型的電子裝置和方法
Novitasari et al. Detection of COVID-19 chest X-ray using support vector machine and convolutional neural network
Seera et al. A hybrid intelligent system for medical data classification
CN107016438B (zh) 一种基于中医辨证人工神经网络算法模型的系统
JP5353443B2 (ja) データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム
Ozcan A deep learning framework for coronavirus disease (covid-19) detection in x-ray images
CN110837570A (zh) 对图像数据进行无偏见分类的方法
CN116602688A (zh) 一种高原地区儿童心电图预测方法
RAHMAN et al. Artificial intelligence for chronic kidney disease risk stratification in the USA: Ensemble vs. deep learning methods
CN117668701B (zh) Ai人工智能机器学习系统及方法
Rai et al. Proposed model for detection of pneumonia using deep learning
CN115147668A (zh) 疾病分类模型的训练方法、疾病分类的方法及相关产品
Ogunleye et al. Integrated learning via randomized forests and localized regression with application to medical diagnosis
JP6915604B2 (ja) 装置、方法およびプログラム
TWI768951B (zh) 訓練老年性黃斑部退化的分類模型的電子裝置和方法
Rezaei et al. Evolving Tsukamoto Neuro Fuzzy Model for Multiclass Covid 19 Classification with Chest X Ray Images
Snani et al. EfficientNet and DenseNet Ensemble with GAN Augmentation for Imbalanced COVID-19 and Viral Pneumonia Classification in Chest X-Rays
CN119296789B (zh) 一种可解释的无痛内镜检查低氧风险评估方法及相关装置
Jeyagopal Covid-19 identification based on keras densenet201 architecture model using ct image
Salman et al. Data Mining Technique for Diagnosing Autism Spectrum Disorder
Hernández-Cortez et al. Optimizing Deep Neural Networks with Differential Evolution for COVID-19 Diagnosis
Ameli Development of an Intelligent Model for Prediction of Periodontitis Stage and Grade